由我院郑明博士等人完成的一篇关于不平衡数据分类的研究成果：“基于特征信息聚合的不平衡数据过采样方法”被计算机科学领域国际TOP期刊Applied Soft Computing录用并在线发表。

数据不平衡问题在现实世界的应用中普遍存在，并对机器学习和数据挖掘任务产生了一些负面的影响。过采样方法已被证明可以用于不平衡数据的处理，但现有的过采样方法在计算和使用近邻域密度时存在着损失信息、参数选择困难和边界效应等缺点。论文提出了一种基于特征信息聚合的过采样方法(FIAO)。FIAO使用特征重要性、特征密度和标准差等特征信息来指导过采样过程。首先利用特征信息将特征划分成适合生成特征的区间，然后在区间内生成特征，最后再将生成的特征组合成少数类数据来实现过采样。FIAO的优势在于充分利用了特征本身携带的信息，而且不受参数选择和边界效应的影响。实验结果表明所提出的方法在多个应用场景下表现出了理想的效果，而且实现了最佳的性能。成果论文题目为“FIAO: Feature Information Aggregation Oversampling for Imbalanced Data Classification”，我院郑明博士为通信作者，研究生王飞为第一作者。

Applied Soft Computing是ELSEVIER出版的权威期刊，2022-2023最新影响因子（IF）为8.7，在2023年12月最新升级版的中国科学院SCI期刊分区中位列计算机科学一区，Top期刊。